KI-Sichtbarkeit: Welche Faktoren wirklich zählen

Warum werden bestimmte Quellen von KI-Systemen zitiert und andere nicht? Der US-SEO-Experte Cyrus Shepard hat 54 Experimente, Patente, Fallstudien und Untersuchungen rund um AI Citations untersucht und die Faktoren gewichtet, die besonders wichtig sind.

Untersucht wurden unter anderem Google AI Overviews, ChatGPT, Gemini und Perplexity.

Das Ergebnis seiner Analyse überrascht wenig: Die meisten Faktoren überschneiden sich stark mit klassischer SEO. Gleichzeitig zeigen sich einige technische und strukturelle Besonderheiten, die speziell für KI-Antwortsysteme relevant sind, aber häufig nur schwer beeinflusst werden können.

AI Citations sind Quellenangaben innerhalb generativer KI-Antworten. Sie erscheinen beispielsweise als klickbare Links unter AI Overviews in Google oder innerhalb von Antworten von ChatGPT und Perplexity.

Für Publisher sind diese Verlinkungen relevant, weil KI-Antworten den klassischen organischen Traffic reduzieren. Sichtbarkeit innerhalb der Antwortsysteme kann diesen Effekt teilweise kompensieren, selbst wenn sie nicht mehr geklickt werden.

Eine Marke, die häuifg als relevante Quelle in einem bestimmten Themenbereich erscheint, hat zumindest positive Branding-Effekte.

Anmerkung: Während Shepherd von “Ranking Faktoren” spricht, verwende ich den Begriff “Sichtbarkeitsfaktoren”, da es keine Rankings in LLMs gibt und die Vorstellung, man könne KI-Antworten genauso beeinflussen und messen wie Rankings, in die Irre führt. Sprachmodelle sind und bleiben eine Blackbox, es gibt keine stabilen Rankings.

Faktoren für KI-Sichtbarkeit

Die folgenden Faktoren scheinen laut der Untersuchung eine besonders hohe Bedeutung haben, die meisten davon überschneiden sich mit den Anforderungen für SEO. Deshalb gehört die neue Marketingdisziplin “GEO” auch ganz klar in den Bereich von SEO und ist nicht getrennt davon zu betrachten.

1. URL Erreichbarkeit

Score: 9.5

Die URL muss für KI-Systeme erreichbar und crawlbar sein.

Blockierte Bots, fehlerhaftes Rendering oder restriktive Einstellungen reduzieren die Wahrscheinlichkeit für AI Citations massiv.

Relevant sind inzwischen unter anderem:

• GPTBot
• OAI-SearchBot
• Google-Extended
• PerplexityBot

2. Suchmaschinen Ranking

Score: 9.4

Klassische Rankings bleiben extrem wichtig. Seiten mit guten Google-Rankings erscheinen deutlich häufiger in AI Overviews und KI-Antworten.

Viele Studien zeigen starke Überschneidungen zwischen organischen Top-Rankings und AI Citations.

3. Fan-out Ranking

Score: 9.3

KI-Systeme führen zusätzliche Suchanfragen aus, um Antworten abzusichern. Wer für viele verwandte Suchanfragen rankt, erhöht seine Sichtbarkeit innerhalb dieser Retrieval-Prozesse. Das stärkt Topic Clusters und semantische Themenabdeckung.

4. Vorschau Kontrolle

Score: 9.2

Meta-Direktiven wie:

• nosnippet
• data-nosnippet

beeinflussen die Sichtbarkeit innerhalb von AI-Systemen. Wer Snippets einschränkt, reduziert oft auch die Extrahierbarkeit für KI-Antworten.

5. Query-Answer Match

Score: 9.2

Der Inhalt sollte semantisch sehr nah an Suchanfrage und KI-Antwort liegen.

Das betrifft insbesondere:

• Überschriften
• Zwischenüberschriften
• konkrete Antwortformulierungen
• semantische Präzision

6. Intent-Format Match

Score: 9.0

Das Format des Inhalts sollte zur Suchintention passen.

Beispiele:

• „Best“-Queries → Listen, Vergleiche, Tabellen
• „How to“-Queries → Schritt-für-Schritt-Anleitungen

KI-Systeme bevorzugen offenbar Formate, die zur erwarteten Antwortstruktur passen.

7. Topic Cluster Ranking

Score: 8.9

Wer für viele verwandte Themen rankt, erhöht die Wahrscheinlichkeit auf AI Citations. Nicht nur einzelne Rankings zählen, sondern thematische Breite und Autorität.

8. Antwort möglichst weit oben

Score: 8.8

Wichtige Informationen sollten weit oben auf der Seite stehen. Viele KI-Systeme analysieren nur begrenzte Ausschnitte eines Dokuments. Inhalte im oberen Seitenbereich werden daher häufiger extrahiert.

9. Inhaltliche Struktur

Score: 8.6

Klare Struktur erleichtert KI-Systemen die Verarbeitung.

Dazu gehören:

• H2- und H3-Strukturen
• Tabellen
• logisch getrennte Abschnitte
• präzise Zwischenüberschriften

Die Studie betont ausdrücklich, dass kein künstliches „Chunking“ notwendig ist, Texte müssen für LLMs also nicht “in Häppchen” umformuliert werden.

10. Faktische Präzision

Score: 8.3

Konkrete Fakten funktionieren besser als allgemeine Aussagen.

Schwach: „Protein ist wichtig.“

Stärker: „Die WHO empfiehlt 0,8 Gramm Protein pro Kilogramm Körpergewicht.“

KI-Systeme benötigen zitierbare Fakten.

11. Explizite Formulierungen

Score: 8.1

Eindeutige Aussagen performen besser als vorsichtige Formulierungen.

• „Magnesiumglycinat verbessert Schlafqualität“
  statt
• „Manche Menschen nutzen Magnesiumglycinat für Schlafprobleme“

Zu viele Relativierungen erschweren die Extraktion.

12. Quellenangaben

Score: 8.0

Inhalte mit Quellenangaben werden häufiger zitiert. Das erhöht offenbar die Vertrauenswürdigkeit für KI-Systeme.

Besonders bei:

• Studien
• Statistiken
• medizinischen Aussagen
• technischen Fakten

13. Eigenständige Textpassagen

Score: 8.0

Wichtige Textabschnitte sollten auch losgelöst vom Kontext verständlich sein.

Schlecht:

„Diese Variante funktioniert besser.“

Besser:

„Magnesiumglycinat zeigte in 137 Studien positive Effekte auf Schlafqualität.“

14. Content Sichtbarkeit

Score: 7.6

Sichtbarer HTML-Text wird bevorzugt.

Probleme entstehen häufig durch:

• Tabs
• Accordions
• versteckte Inhalte
• JavaScript-Rendering
• Lazy Loading

15. Aktualität

Score: 7.0

Aktualität spielt weiterhin eine Rolle.

Besonders relevant bei:

• News
• Sport
• Technologie
• Finanzen
• KI-Themen

Weniger relevant bei Evergreen-Content.

16. Markenvertrauen

Score: 6.8

Bekannte Marken besitzen Vertrauensvorteile. KI-Systeme greifen bevorzugt auf etablierte Quellen zurück, besonders bei YMYL-Themen.

17. Textlänge

Score: 6.7

Längere Inhalte korrelieren oft positiv mit AI Citations. Die Ergebnisse sind allerdings widersprüchlich.

Zu lange Inhalte können sogar problematisch werden, wenn wichtige Passagen nicht extrahiert werden.

18. Sprache

Score: 6.3

KI-Systeme bevorzugen Inhalte in der Sprache der Anfrage. Auch regionale Relevanz spielt offenbar eine Rolle.

19. Konsistente Namen

Score: 5.8

Marken, Produkte und Personen sollten konsistent benannt werden. Inkonsistente Bezeichnungen erschweren Entity Recognition.

20. Strukturierte Daten

Score: 5.6

Schema-Markup zeigt in fast allen Studien eine kleine positive Korrelation. Der Effekt scheint allerdings eher unterstützend als entscheidend zu sein.

Besonders relevant:

• FAQ
• Article
• Organization
• Product
• Person

21. Bekannte Quellen

Score: 5.4

Einige Systeme zitieren Quellen direkt aus Trainingsdaten.

Das betrifft besonders:

• bekannte Domains
• etablierte Marken
• häufig trainierte Quellen

Dadurch entstehen teilweise sogar Verweise auf nicht mehr existierende URLs sowie Antworten mit veralteten Daten (z.B. bei Gesetzesänderungen).

22. Domain Authority

Score: 5.0

Linkautorität zeigt nur schwache Korrelationen. Die Studie deutet darauf hin, dass klassische Authority-Metriken weniger dominant sind als viele vermuten.

23. LLMs.txt

Score: 2.0

Für LLMs.txt existiert derzeit praktisch keine belastbare Evidenz. Die meisten Studien finden keinen messbaren Einfluss auf AI Citations.

Fazit der Studie

Auch wenn es sich bei der Analyse nicht um eine wissenschaftliche Studie handelt, sondern eher um eine Zusammenfassung bisherigen Wissens, lassen sich einige interessante Schlüsse ziehen.

Die zentrale Aussage: Die meisten erfolgreichen Faktoren entsprechen weiterhin guter klassischer SEO. Fast alle Punkte entsprechen etablierten Strategien der Suchmaschinenoptimierung.

Neu ist vor allem die stärkere Bedeutung von:

• Extrahierbarkeit
• semantischer Präzision
• klaren Antwortpassagen
• Retrieval-Strukturen
• Passage-Level-Verarbeitung

SEO bleibt damit die Grundlage. KI-Sichtbarkeit verlangt zusätzlich Inhalte, die Maschinen schnell verstehen, isolieren und zitieren können. Unternehmen brauchen ihre SEO-Strategie also nicht komplett ändern, um auch in LLMs aufzutauchen, sie sollten allerdings beobachten, welche Inhalte besonders häufig in LLMs zitiert werden und entsprechende Schlüsse ableiten.

Verwendete Quellen

Entwicklung der Klickraten durch Google AI Overviews

Ergänzend zu den AI-Citation-Faktoren liefert eine aktuelle Untersuchung von Seer Interactive interessante Daten zur Entwicklung der Klickraten durch Google AI Overviews.

Die Analyse basiert auf:

• 53 Brands
• 5,47 Millionen Suchanfragen
• 2,43 Milliarden organischen Impressionen
• Daten von Januar 2025 bis Februar 2026

Die wichtigste Erkenntnis: Der starke CTR-Einbruch durch AI Overviews scheint sich Anfang 2026 erstmals zu stabilisieren.

Während die organische Klickrate bei Suchanfragen mit AI Overview Ende 2025 noch auf nur 1,3 % gefallen war, stieg sie Anfang 2026 wieder auf 2,4 % an. Das entspricht einer Erholung um rund 85 % innerhalb von zwei Monaten.

Trotzdem liegen Suchanfragen ohne AI Overview weiterhin deutlich vorne:

• ohne AI Overview: ca. 3,8 % CTR
• mit AI Overview: ca. 2,4 % CTR

AI Overviews reduzieren also weiterhin die organische Klickrate, allerdings offenbar weniger stark als noch 2025.

Laut der Studie erzeugen Quellen, die innerhalb des AI Overviews genannt werden:

• rund 120 % mehr organische Klicks pro Impression
• deutlich höhere CTRs als nicht zitierte Domains

Allerdings erreichen selbst zitierte Quellen meist nicht mehr das Klickniveau klassischer Suchergebnisse ohne AI Overview.

Die Studie zeigt außerdem deutliche Unterschiede nach Suchintention:

• Informational Queries zeigen in rund 36 % der Fälle ein AI Overview
• Commercial Queries nur in etwa 8 %
• Transactional Queries nur in etwa 5 %

Besonders stark betroffen sind klassische SEO-Formate wie:

• Vergleichsseiten („X vs Y“)
• Frage-Keywords
• „Best of“-Artikel
• Reviews

Vergleichs-Keywords triggern laut Untersuchung sogar in über 95 % der Fälle ein AI Overview.

Die zentrale Erkenntnis der Analyse:

AI Overviews verdrängen organische Klicks weiterhin deutlich. Gleichzeitig wird die Sichtbarkeit innerhalb der KI-Antworten selbst zunehmend zum entscheidenden Faktor für Reichweite und Markenpräsenz.